論文の概要: Deformable Registration of Brain MR Images via a Hybrid Loss
- arxiv url: http://arxiv.org/abs/2110.15027v1
- Date: Thu, 28 Oct 2021 11:22:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 03:13:04.951203
- Title: Deformable Registration of Brain MR Images via a Hybrid Loss
- Title(参考訳): ハイブリッド損失による脳MR画像の変形性レジストレーション
- Authors: Luyi Han, Haoran Dou, Yunzhi Huang, Pew-Thian Yap
- Abstract要約: T1重み付きMR画像の変形可能な登録モデルについて,ハイブリッド損失により複数の画像特性を考慮し学習する。
提案手法は,OASISデータセットを高精度に登録し,変形の滑らかさを保存する。
- 参考スコア(独自算出の注目度): 13.316553730980567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We learn a deformable registration model for T1-weighted MR images by
considering multiple image characteristics via a hybrid loss. Our method
registers the OASIS dataset with high accuracy while preserving deformation
smoothness.
- Abstract(参考訳): T1重み付きMR画像の変形可能な登録モデルについて,ハイブリッド損失により複数の画像特性を考慮し学習する。
変形の滑らかさを保ちながら,OASISデータセットを高精度に登録する。
関連論文リスト
- DDR: Exploiting Deep Degradation Response as Flexible Image Descriptor [54.90762380689283]
本稿では, 劣化条件の異なる画像深部特徴の変化を定量化するDDRについて述べる。
画像記述子としてのDDRの汎用性は,キー画像属性と強い相関関係がみられた。
DDRは、画像復元作業において効果的な教師なし学習目標として機能し、画像の劣化と単一画像の超解像において顕著な進歩をもたらす。
論文 参考訳(メタデータ) (2024-06-12T16:26:56Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳(メタデータ) (2023-10-29T13:58:57Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - Self-supervised arbitrary scale super-resolution framework for
anisotropic MRI [14.05196542298934]
異方性MRI入力から等方性磁気共鳴(MR)画像を再構成するための,効率的な自己教師付き任意スケール超解像(SR)フレームワークを提案する。
提案フレームワークは、任意の画像解像度で、Wildの異方性MRボリュームを用いたトレーニングデータセットを構築する。
我々は、シミュレーションされた成人脳のデータセットと実際の収集された7T脳のデータセットについて実験を行った。
論文 参考訳(メタデータ) (2023-05-02T12:27:25Z) - Robust Image Registration with Absent Correspondences in Pre-operative
and Follow-up Brain MRI Scans of Diffuse Glioma Patients [11.4219428942199]
術前および術後の脳MRIスキャンのための3段階登録パイプラインを提案する。
提案手法は,BraTS-Regチャレンジの検証セットにおいて,1.64mm,88%の絶対誤差を実現する。
論文 参考訳(メタデータ) (2022-10-20T06:37:40Z) - LiftReg: Limited Angle 2D/3D Deformable Registration [19.12088133321274]
2D/3Dデフォルマブル登録方式であるLiftRegを提案する。
デジタル再構成ラジオグラフィ(DRR)とCT画像ペアを用いて訓練する。
シミュレーショントレーニングデータを使用することで、LiftRegは高品質なCT-CT画像類似度測定を使用することができる。
論文 参考訳(メタデータ) (2022-03-10T00:32:45Z) - DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。
本モデルは,動画像と固定画像の変形のスコア関数を学習する。
本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文 参考訳(メタデータ) (2021-12-09T08:41:23Z) - An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。
本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。
現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
論文 参考訳(メタデータ) (2020-05-19T06:00:13Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。
従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。
これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。
従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
論文 参考訳(メタデータ) (2019-12-30T16:27:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。